0 引 言
合成孔径雷达（Synthetic Aperture Radar，SAR）可以突破传统光学设备对天气和光照条件的要求，具有全天时、全天候的对地成像能力。因此，近年来，SAR 在地表沉降探测［1］、农业监测［2］、灾害检测［3］等方面有着广泛的应用。
然而，随着全球电磁频谱环境日益复杂，SAR系统作为一种宽带雷达系统，经常受到诸如调频广播、通信系统或其他有源电磁系统的干扰，这类干扰被称为射频干扰［4］。射频干扰（Radio Frequency Interference, RFI）可以根据其带宽分为窄带干扰和宽带干扰［5］，这种电磁干扰信号通常表现为具有曲率的明亮线段［6］或者是具有各种图案的雨滴状斑点［7］。虽然SAR 系统的信号处理过程由于二维积累具有潜在的干扰抑制能力，但RFI的功率通常远高于实际回波，这将导致SAR 图像的信干比下降，进而导致成像效果变差［6］。因此，受RFI 影响的图像通常需要经过一系列预处理，从原始数据中去除RFI［8］。
以往对SAR 图像中的RFI 信号的研究主要集中在RFI信号的识别与抑制。Guainieri利用z检验和对低功率扩散RFI敏感的Kullback-Leibler散度，提出了一种基于Sentinel-1 C 波段数据的RFI 识别方法［9］。Xu考虑了RFI信号的低秩特性，利用低秩恢复模型和MUSIC 算法来定位RFI［10］。Zhang 针对现有RFI 检测方法在检测较弱RFI 时准确性较差的问题，提出了一种基于SAR 距离向平坦性和对称性的时变RFI 检测定位方法［11］。Parasher 基于z 假设检验和Tukey 权重来识别和抑制SAR 数据中的RFI ［12］。Wan 从SAR 图像中提取特征，并讨论了各种识别方法的成功率［13］。Artiemjew 利用卷积神经网络（Convolutional Neural Network, CNN）识别数据中的RFI 并剔除相关数据来降低RFI 的影响［14］。武汉大学的高玉斌和中国电科54所的杨贤分别利用了高阶奇异值分解［15］和基于相似度约束的接收自适应滤波器算法对RFI 进行抑制［16］。Li建立了星载SAR图像和RFI的联合模型，通过多通道和多尺度的CNN 抑制RFI［17］。Huang 利用基于主成分的慢时间特征值分解法来抑制RFI［18］。Lv 利用基于频谱消除的RFI 检测器进行RFI 的抑制，并通过截断核范数调节近似模型进行丢失谱信 息 的 恢 复，来 抑 制P 波 段 和L 波 段 的RFI［19］。Sorensen 利用了卷积自编码器来去除Sentinel-1 数据中的RFI［20］。西安空间无线电技术研究所的贺音光则利用基于广义S变换的时频滤波算法，在有效抑制RFI的同时减少了有用信号的损失［21］。
虽然学者围绕RFI 的识别和抑制提出了很多方法，但分析SAR 图像受RFI 的严重程度也很重要，这可以为后续SAR 数据的信息提取和处理提供依据和指导。刘鹏军基于BP 神经网络，利用图像间相关系数、等效视数和图像间欧氏距离对SAR 图像收到的干扰效果进行评估［22］。国防科技大学的韩国强综合了欺骗度和压制度，并结合人工决策对常见SAR 干扰进行了评估［23］。电子信息控制重点实验室的王显跃定性分析了SAR 欺骗干扰功率和逼真度的关系［24］。上海交通大学的王军提出了效能评估可信度的客观度量方法，提高了效能评估的准确度［25］。刘佳伟利用Faster-CNN 对SAR 图像中的目标进行检测，结合所提出的干扰量化公式，实现了干扰效果的定量评价［26］。西安电子科技大学的田甜则利用卷积神经网络提取干扰图像的隐性特征，同时结合干扰图像与参考图像的均方误差、结构相似度等5个显性特征对SAR图像受到的干扰进行了评估［27］。西安电子科技大学的杨洋使用了卷积自编码器和变分自编码器提取SAR 图像中的特征，对SAR 干扰效果进行了评估，在保证网络训练速度的同时兼顾了评估准确率［28］。战略支援部队信息工程大学的陈天翊综合考虑了干扰图像与参考图像的欧氏距离、结构相似度、熵等5 个指标，利用网络分析法和模糊综合评价算法，建立了SAR 干扰效果评估系统［29］。在进行SAR 干扰的评估时，学者通常都对多种图像质量指标进行加权分析，但图像各指标间的关系并不明晰，这会使得评估方法的鲁棒性较低。并且，目前的方法大都未考虑到干扰区域大小的影响。同时大多数评估方法需要有参考图像进行对照，而参考图像往往难以获得，这也限制了评估方法的推广。
受上述问题及方法的启发，本文利用CNN 的特征提取能力，提出了一种无参考条件下的SAR射频干扰区域-强度特征提取与联合评估网络。由于RFI影响区域的大小与其影响程度正相关，但现有方法并未考虑RFI影响区域的大小。因此，本文所提出的网络不仅利用了输入雷达图像受干扰强度的特征，同时还考虑到了干扰的区域边界特征，并且将二者进行融合，通过网络输出的分数对输入图像受RFI影响程度进行衡量。同时，由于目前缺少相关的SAR受RFI影响的图像数据集，本文还将构建相应的数据集进行测试。测试结果表明，所提出的网络能够准确地衡量SAR 图像受RFI 干扰的程度。
1 射频干扰信号模型
在复杂的电磁环境下，SAR 系统的接收天线不仅会接收回波信号，还会接收到噪声和RFI 信号。因此，SAR回波信号可以写作
式中，t 为快时间，ts 为慢时间，S(t, ts)、I(t, ts)和N(t, ts)分别代表场景散射回波、RFI回波和背景噪声回波。根据RFI 和场景回波的带宽比，可以将I(t, ts)分为窄带干扰（Narrow Band Interference, NBI）和宽带干扰（Wide Band Interference, WBI）。通常情况下，窄带干扰只集中在几个有限的频率上，可以看作一系列单频干扰的叠加:
式中，ak(t, ts)、fk 和θk 分别表示第k 个干扰分量的包络、频率和相位。对于WBI，可以将其分为线性调频（Chirp Modulated, CM）WBI 和正弦调频（Sinusoidal Modulated, SM）WBI，其中CMWBI可以写作
式中，γk 表示第k 个干扰分量的调频率。类似地，SMWBI可以写作
式中，βk 和θk 分别表示第k 个干扰分量的调制系数和初始相位。CM 和SM 是WBI 的两种基本调制形式，二者的组合能够形成更复杂的WBI。
2 网络结构
为了提取受RFI 影响的SAR 图像的干扰强度和边界特征，本文提出了SAR 射频干扰区域-强度特征提取与联合评估网络。为了提取并联合干扰强度特征与区域特征，本文采用了如图1所示的多分支CNN 模型结构，该结构在图像质量评估任务当中获得了优越的效果［30-31］。网络由干扰区域边界特征提取和干扰强度特征提取两个模块组成。其中干扰强度特征提取模块更加侧重于RFI 强度信息的提取，干扰区域边界特征提取模块能够让网络更直观地学习到RFI 作用的区域边界信息。输入图像PS 首先将用于计算边界信息PG，而后经过若干网络结构获得干扰区域边界特征f(PG)；同时，输入的图像PS经过干扰强度特征提取模块后，能够获得干扰强度特征f(PS)；最后通过3 个全连接层，可以得到干扰区域得分和干扰强度得分，二者乘积即为最终得分，这个过程可以表示为
图1 网络总体结构
式中⊗表示乘法运算，F(·)表示用于质量回归的全连接层。
2.1 干扰强度特征提取模块
为了提取输入雷达图像中RFI的强度特征，并且实现其特征的复用能力，本文提出了如图2和图3 所示的干扰强化特征提取模块，该模块由多级残差特征提取模块和多层特征融合模块组成。其中，多级残差特征提取模块能够提高网络对输入雷达图像干扰强度特征的表征能力，同时避免网络结构加深时的梯度消失和退化等问题；在多层特征融合模块，本文采用了HFMM 结构［30］，该结构受人眼视觉系统分层感知机制启发［32］，能够将网络当中低级和高级语义特征进行复用，提升网络的多尺度特征表达能力。
图2 干扰强度特征提取模块
图3 残差块结构
2.1.1 多级残差特征提取模块
由于SAR 图像的尺寸一般比较大，同时为了加强所设计网络的特征提取表达能力，避免梯度消失或爆炸等问题，本文设计了图2 所示的包含2种共12 个残差块的多级残差特征提取模块，其中残差块的结构如图3 所示。输入的大尺寸空域SAR 图像先经过3×3 的卷积层增加特征通道的维度，随后输入多级残差网络。2 种残差块的主线均由2 个3×3 的卷积层、1 个Batch Normalization 层和2 个ReLU 激活层组成。残差块使用了2 个3×3 卷积层来增加网络的深度，以使得网络能够学习到更多大尺寸SAR 图像的信息；并且在每个卷积层后引入了ReLU 层避免随着网络层数的加深出现梯度消失。残差块-1 的支线使用了1×1 卷积层来匹配残差块输入和输出的大小。同时，由于输入的SAR 空域图像尺寸较大、所设计的网络层数较深，网络中还添加了平均池化层来加快网络的收敛、控制模型的大小。
2.1.2 多层特征融合模块
为了提高网络的多尺度特征表征能力，本文使用多层特征融合模块来将前置步骤提取的多级残差特征进行融合，采用了特征金字塔网络结构进行低级和高级语义特征的融合［33］，其结构如图2所示。首先选择多级残差特征提取模块第3、6、9、12 级残差块的输出(R 1, R2, R3, R4 )，随后分别通过1×1的卷积层来降低特征通道数获得(S1, S2, S3, S4 )，并通过上采样模块使高级语义特征S4分别与S1、S2和S3叠加，最后分别通过3×3的卷积层获得最终的空域特征f(PS)=(T1, T2, T3, T4 )，这4 个特征块共同组成了特征金字塔，这个过程可以表示为
式中，C1( )· 和C3( )· 分别代表1×1和3×3卷积层，( )·′表示经过上采样层及次数，+表示相加操作。
表1 典型图像的评估结果
场景编号图像编号AAAABBCD a b c d e f g h数据标签9.719 7 6.115 7 5.454 9 2.011 1 8.872 1 8.438 3 6.025 6 5.319 2评估结果9.641 4 6.154 1 5.797 1 1.946 6 8.068 9 7.729 4 5.918 6 5.664 9
2.2 干扰区域边界特征提取模块
在衡量SAR 图像受RFI 影响程度时，RFI 影响的区域大小往往会被忽略。因此，为了提高受RFI影响程度预测的准确性，在预测的过程中也需要兼顾输入图像的干扰边界信息，因此采用了图4所示的干扰区域边界特征提取模块来提取图像中的干扰边界信息。输入图像首先根据式（7）计算干扰边界，而后经过一系列卷积层来提取其干扰边界特征:
图4 干扰区域边界特征提取模块
式中，Gx 和Gy 分别为输入图像的水平和垂直方向上的梯度。
与干扰强度特征提取模块类似，为了有效提取输入边界信息中的深层次、多尺度结构特征，本文提出了基于金字塔卷积的边界特征提取模块。输入的大尺寸边界信息首先经过3×3 的卷积层以扩充特征通道数，随后通过2个由卷积核大小分别为3×3、5×5、7×7 和9×9 的4 个卷积层组合成的金字塔卷积块，获得最终的边界特征f( )PG 。并且，所设计结构中引入了最大池化层减少网络的特征数量，在加快训练速度的同时只保留最重要的边界信息。这个过程可以描述为
式中，C3( )·、C5( )·、C7( )· 和C9( )· 分别代表3×3、5×5、7×7 和9×9 卷积层，P( )· 表示最大池化层，Cp( )· 表示金字塔卷积块，+表示相加操作。
3 实验结果及分析
3.1 数据集准备
在1节理论的基础上，本文仿真搭建了相关数据集。本文选取了16个典型SAR场景的回波数据作为信号回波，通过在回波脉冲上叠加宽带射频干扰的方式产生受RFI 影响的SAR 图像。由于目前图像质量评估领域相关数据集已经非常完备，并且数据集的标签生成过程中均有人工参与，因此本文将采用人工主观与客观指标相结合的方式生成数据集的标签。
首先，本文在典型的SAR 场景的回波数据中添加干信比（Interference to Signal Ratio, ISR）较低的干扰信号，并逐步增加ISR，在这个过程中通过人为判断ISR 对图像质量影响的上下限ISRmax 和ISRmin，其中上限ISRmax 代表在当前ISR 条件下，所产生的RFI很强，已经完全影响图像原本信息的获取，下限ISRmin 代表在当前ISR 条件下，所产生的RFI很弱，并不影响图像原本信息的获取。在产生数据集时，所叠加RFI 的ISR 将在[ISRmin - ISRmax]随机选取，以保证数据集的多样、客观性。
并且，由于不同作用区域大小的RFI对图像的影响也不同，因此干扰区域的大小也将决定数据集标签的生成。假设图像的大小为K，在生成数据集时，所叠加RFI的区域大小k在(0 - K]中随机选取。最后，将ISR 的随机变动区间[ISRmin- ISRmax]映射到[10 - 0]，同时考虑区域权重
，即可生成对应图像的数据标签。生成的数据标签为10分代表SAR 图像质量最好，受到的RFI 最弱，对应的ISR 最低；0 分代表SAR 图像受到RFI 的影响最强，对应ISR最高。
最终，针对每个场景均产生了200 张受RFI 影响的SAR图像，针对16个场景产生了共计3 200张受RFI 影响的SAR 图像，并按照成像场景的不同，将整个数据集按照8∶1∶1的比例划分为训练集、验证集和测试集，其中训练集包含12 个成像场景的2 400 张图像，验证集和测试集各包含2 个成像场景的400张图像。
3.2 实验环境及参数设置
本文所提出的网络结构使用Python 3.8.0 和PyTorch 1.10.0框架实现，并在NVIDIA RTX4090上进行训练，显存为24G。由于输入的受RFI 影响的SAR 图像尺寸较大，训练时设置的batch 大小为64，训练轮次为200。并且使用了Adam 优化器来学习模型的参数，学习率设置为0.000 1。
3.3 网络评价指标
由于本文所提出网络的评价方法与图像质量评估网络评价方法类似，因此本文选取了下列4个广泛应用于图像质量评估网络中的指标来衡量所提出网络的有效性:
1）Spearman 等级相关系数（SROCC）:SROCC常被用于衡量图像质量评估算法的优劣，它反映了同一组数据客观标签和网络输出标签秩序间的线性相关性，其数值越趋于1，代表数据之间相关性越强，其计算方法为
式中，N为数据的长度，ri和pi分别为客观标签和网络输出标签在数据中的排序位置。
2）Pearson 线性相关系数（PLCC）:PLCC 描述了两组数据之间的线性相关性，其值越趋于1代表两组数据相关性越强，其计算方法为
3）均方根误差（RMSE）:RMSE 计算了客观标签和网络输出标签之间的均方根误差，其数学表达式为
4）误差偏差（MAE）:MAE 反映了客观标签和网络输出标签之间绝对误差的平均值，即
由上述各项指标的定义可知，前三种指标能够衡量一组图像同时输入网络评估的性能，而后两种能够直观反映单一图像输入网络评估的性能。
3.4 对比实验结果
图5为3.1节搭建数据集中的典型图像数据及其标签。表1所示为本文网络对图5所示受RFI影响的SAR 图像的评估结果。对比表中同一场景下的评估结果可以发现，所提出的网络模型能够衡量SAR图像受RFI的影响程度并给出相应的得分；虽然模型评估得分仍存在误差，但是此误差并不会改变SAR图像受RFI影响程度的相对排序，因此网络能够准确地完成多图像评估排序任务。对比不同场景下的评估结果可以发现，模型具有较好的鲁棒性，在不同的场景下均能完成SAR 图像受RFI影响程度的评估。
图5 典型数据及其标签
为了验证所提出网络模型的有效性，本文同时对比了图像分类领域的经典网络ResNet18［34］和图像质量评估领域的高性能网络MB-CNN［30］、TSCNN［31］的输出结果，为了使以上网络模型能够契合大尺寸SAR 图像输入，本文均在以上模型的基础上引入了平均池化层。对比实验的结果如表2所示。其结果表明，本文所提出的模型评估结果的SROCC/PLCC/RMSE/MAE为0.929 6/0.922 3/1.328 6/1.177 7，对比其他模型最佳效果分别提升了0.069 5/0.101 0/0.483 1/0.402 4，说明对于SAR 图像这种大尺度输入图像，更深的网络结构能够更好地提取输入图像中的特征。
表2 对比试验的结果
网络名称ResNet18 MB-CNN TS-CNN本文网络SROCC 0.721 1 0.855 8 0.860 1 0.929 6 PLCC 0.728 7 0.796 8 0.821 3 0.922 3 RMSE 2.130 8 2.582 7 1.811 7 1.328 6 MAE 1.866 7 2.407 7 1.580 1 1.177 7
从结果中还可知，本文提出网络模型的测试输出SROCC/PLCC 达到了0.929 6/0.922 3，说明模型在多图像受RFI影响程度评估时，能够较准确地完成排序问题；同时模型测试输出的MAE为1.177 7，反映出模型在单一图像受RFI 影响程度评估任务中，仍然存在误差。并且，MB-CNN 的评估结果拥有较高的SROCC，但同时有着较差的RMSE 和MAE，说明其虽然能较准确完成排序任务，但是却很难精准完成单一图像评分任务；而ResNet18 的评估结果虽然具有较低的SROCC，但是结果的RMSE 和MAE 却较好，这说明其能够更好地解决单一图像评分任务，而本文所提出的模型评估结果均优于其余模型，因此本文所提出的网络模型能够兼顾多图像受RFI 影响程度排序任务和单一图像受RFI影响程度评估任务。
3.5 消融实验结果
为了验证本文所提出主要模块的有效性，下面逐步测试各模块单独作用时的网络性能。表3所示为消融实验的测试结果，其结果验证了本文所提出各核心模块的有效性，完整的网络框架达到了最佳的性能。
表3 网络核心模块消融实验
结构名称干扰强度特征提取模块干扰区域边界特征提取模块完整网络SROCC 0.845 0 0.731 7 0.929 6 PLCC 0.856 9 0.720 7 0.922 3 RMSE 1.945 8 2.178 1 1.328 6 MAE 1.739 5 1.925 2 1.177 7
3.6 其他干扰评估实验结果
由于当前针对SAR 的干扰手段多种多样，为了进一步评估本文所提出评估网络的性能，下面将对受不同种类压制干扰影响的SAR 成像结果进行测试，测试的干扰类型包括调制噪声干扰和二维失配干扰，对应的典型数据成像结果如图6 所示，表4为测试结果，数据标签的生成方式与3.1节保持一致。从表4中可以看出，本文所提出网络的评估结果与数据标签间的误差小于0.3，说明本文所提出网络能够评估多种压制类干扰对SAR 成像的影响程度。
表4 其他干扰评估实验结果
图像编号a b c d干扰方式二维失配干扰二维失配干扰调制噪声干扰调制噪声干扰数据标签9.676 3 8.947 3 1.551 4 4.663 3评估结果9.571 7 8.993 8 1.801 5 4.651 7
图6 受不同类型干扰的SAR成像结果
4 结束语
本文提出了SAR 射频干扰区域-强度特征提取与联合评估网络，同时提取干扰的强度特征和区域大小特征，避免了传统方法忽略干扰区域大小对图像影响的弊端。同时，本文还建立了受RFI影响的SAR 图片数据集。对比实验结果表明，本文所提出网络评估结果的SROCC/PLCC/RMSE/MAE 分别为0.929 6/0.922 3/1.328 6/1.177 7，比现有方法分别提升了0.069 5/0.101 0/0.483 1/0.402 4，表明所提出的网络结构能够更准确地评估SAR 图像受RFI的影响程度，并且所提出的评估网络能够兼顾多图像受RFI 影响程度排序任务和单一图像受RFI影响程度评估任务。同时，所提出的评估网络能够评估其他类型的压制类干扰。但欺骗类干扰的评估任务呈现出较强的背景相关性，在未来将考虑采用多域评估等方法解决这一问题。
［1］ZHENG Yueze, PENG Junhuan, LI Chuyu, et al.Long-Term SAR Data Analysis for Subsidence Monitoring and Correlation Study at Beijing Capital Airport［J］.Remote Sensing, 2024, 16（3）:445-458.
［2］MATTIA F, BALENZANO A, SATALINO G, et al.Multi-Frequency SAR Data for Agriculture［C］// 2022 IEEE International Geoscience and Remote Sensing Symposium,Kuala Lumpur, Malaysia: IEEE, 2022:5176-5179.
［3］ZHENG Wei, ZHENG Lijuan, WANG Jie, et al.Application of Flood Disaster Monitoring Based on Dual Polarization of Gaofen-3 SAR Image［C］//2022 IEEE International Geoscience and Remote Sensing Symposium, Kuala Lumpur, Malaysia: IEEE, 2022:3382-3385.
［4］HUANG Yan, LIAO Guisheng, LI Jie, et al.Narrowband RFI Suppression for SAR System via Fast Implementation of Joint Sparsity and Low-Rank Property［J］.IEEE Trans on Geoscience and Remote Sensing, 2018, 56（5）:2748-2761.
［5］TAYLER J.Introduction to Ultra-Wideband Radar Systems［M］.Boca Raton: CRC Press, 1994.
［6］MEYER F J, NICOLL J B, DOULGERIS A P.Correction and Characterization of Radio Frequency Interference Signatures in L-Band Synthetic Aperture Radar Data［J］.IEEE Trans on Geoscience and Remote Sensing, 2013, 51（10）:4961-4972.
［7］TAO Mingliang, SU Jia, HUANG Yan, et al.Mitigation of Radio Frequency Interference in Synthetic Aperture Radar Data: Current Status and Future Trends［J］.Remote Sensing,2019,11（20）:2438-2461.
［8］SORENSEN K, HEISELBERG P, KUSK A, et al.Radio Frequency Interference in Synthetic Aperture Radar Images［C］//2023 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, CA, USA: IEEE, 2023:2145-2148.
［9］GUAINIERI A M, GIUDICI D, RECCHIA A.Identification of C-Band Radio Frequency Interferences from Sentinel-1 Data［J］.Remote Sensing, 2017,9（11）:1183-1194.
［10］XU Yanyu, ZHU Dong, HU Fei, et al.RFI Localization Based on Low Rank Recovery in Synthetic Aperture Interferometric Radiometry［C］//2022 IEEE Conference on Antenna Measurements and Applications, Guangzhou,China: IEEE, 2022:1-3.
［11］ZHANG Hengrui, LI Ning.Composite Indicator for Detecting and Localizing Time-Varying RFI in SAR Raw Data［J］.IEEE Trans on Geoscience and Remote Sensing,2024,62:1-14.
［12］PARASHER P, AGGARWAL K M, RAMANUJAM V M.RFI Detection and Mitigation in SAR Data［C］//2019 URSI Asia-Pacific Radio Science Conference, New Delhi, India: IEEE, 2019:1-4.
［13］WAN Tao , FU Xinying, JIANG Kaili, et al.Radar Antenna Scan Pattern Intelligent Recognition Using Visibility Graph［J］.IEEE Access,2019, 7:175628-175641.
［14］ARTIEMJEW P, CHOJKA A, RAPISKI J.Deep Learning for RFI Artifact Recognition in Sentinel-1 Data［J］.Remote Sensing，2021, 13（1）:1-16.
［15］高玉斌，岳显昌，周庆，等.高频地波雷达射频干扰慢时域抑制方法［J］.雷达科学与技术，2023，21（1）:53-63.
［16］杨贤，张华冲，李华.高频雷达射频干扰抑制的自适应接收滤波设计［J］.雷达科学与技术，2024，22（1）:63-68.
［17］LI Xiuhe, RAN Jinhe, ZHANG Hao, et al.Mcsnet: A Radio Frequency Interference Suppression Network for Spaceborne SAR Images via Multi-Dimensional Feature Transform［J］.Remote Sensing，2022,14（24）:6337-6354.
［18］HUANG Bo, FATTAHI H, GHAEMI H, et al.Radio Frequency Interference Detection and Mitigation of NISAR Data Using Slow Time Eigenvalue Decomposition［C］//2023 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, CA, USA: IEEE, 2023:5479-5482.
［19］LV Zongsen, ZHANG Zhimin, FAN Huaitao, et al.A Two-Stage Approach for TSNB and ITWB RFI Mitigation in P-and L-Band SAR Data［J］.IEEE Trans on Aerospace and Electronic Systems, 2024, 60（2）:1450-1470.
［20］SORENSEN K A, KUSK A, HEISELBERG P, et al.Finding Ground-Based Radars in SAR Images: Localizing Radio Frequency Interference Using Unsupervised Deep Learning［J］.IEEE Trans on Geoscience and Remote Sensing,2023,61:1-15.
［21］贺音光，谭小敏，杨娟娟，等.GST 时频滤波SAR 射频干扰抑制算法［J］.雷达科学与技术，2021，19（3）:304-309.
［22］刘鹏军，马孝尊，武忠国，等.基于BP 神经网络的SAR干扰效果评估［J］.舰船电子工程，2009，29（2）:88-90.
［23］韩国强，李永祯，邢世其，等.对新型SAR 欺骗干扰效果的评估方法［J］.宇航学报，2011，32（9）:1994-2001.
［24］王显跃，郑坤.SAR 欺骗干扰功率与逼真度关系分析［J］.电子信息对抗技术，2015，30（3）:35-38.
［25］王军，李建勋，王兴，等.效能评估可信度的客观度量方法［J］.西安交通大学学报，2018，52（2）:37-44.
［26］刘佳伟，达通航，孙金龙，等.一种SAR 图像干扰效果智能评估方法［J］.舰船电子对抗，2020，43（4）:78-82.
［27］田甜.合成孔径雷达欺骗干扰与评估方法研究［D］.西安:西安电子科技大学，2021.
［28］杨洋.基于自编码器的SAR 干扰效果评估方法研究［D］.西安:西安电子科技大学，2023.
［29］陈天翊.合成孔径雷达干扰效果评估方法研究［D］.郑州:战略支援部队信息工程大学，2023.
［30］PAN Zhaoqing, YUAN Feng, WANG Xu, et al.No-Reference Image Quality Assessment via Multibranch Convolutional Neural Networks［J］.IEEE Trans on Artificial Intelligence，2023,4（1）:148-160.
［31］YAN Qingsen, GONG Dong, ZHANG Yanning.Two-Stream Convolutional Networks for Blind Image Quality Assessment［J］.IEEE Trans on Image Processing，2019,28（5）:2200-2211.
［32］WU Qingbo, LI Hongliang, MENG Fanfan, et al.Blind Image Quality Assessment Based on Multichannel Feature Fusion and Label Transfer［J］.IEEE Trans on Circuits and Systems for Video Technology，2016, 26（3）:425-440.
［33］LIN T, DOLLAR P, GIRSHICK R, et al.Feature Pyramid Networks for Object Detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition,Honolulu,HI,USA:IEEE,2017:936-944.
［34］HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al.Deep Residual Learning for Image Recognition［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,NV,USA:IEEE,2016:770-778.